ysig/GraKeL

解决的问题

GraKeL 提供了一个统一的 Python 库，用于计算图核（graph kernels），这些图核用于衡量两个图之间的相似度。这使得复杂的图结构数据能够在标准机器学习算法中有效使用。

工作原理

该库实现了 16 种不同的图核和 2 种框架，范围从简单的顶点和边直方图到更复杂的方法，如随机游走（Random Walk）、Weisfeiler-Lehman 和多尺度拉普拉斯（Multiscale Laplacian）图核。它旨在与 scikit-learn 管道兼容，使用户能够将这些相似度度量直接集成到机器学习工作流中。

适用人群

旨在为处理图结构数据的研究人员和开发人员提供标准化的方法来比较图并应用机器学习。

亮点

• 广泛的库：包含 16 种成熟的图核和 2 种框架。
• Scikit-learn 集成：与 scikit-learn 管道完全兼容，便于集成到机器学习算法中。
• 多样化的实现：支持多种核，包括最短路径、图元采样（graphlet sampling）和邻域哈希（neighborhood hashing）。